[发明专利]舰船目标识别方法及装置

权利要求书

1.一种舰船目标识别方法，其特征在于，包括以下步骤：

步骤1：构建预训练舰船目标识别网络模型，包括卷积神经网络层和Transformer自监督识别网络层；

步骤2：采集大量样本图像，对舰船目标在所述样本图像中所占的长宽比r和倾斜角度θ进行标注，形成训练样本集D；

步骤3：将所述样本图像通过所述卷积神经网络层，提取舰船目标高层特征；

步骤4：将所述舰船目标高层特征、用于长宽比预测的随机变量A和用于倾斜角度预测的随机变量B输入所述Transformer自监督识别网络层，输出的预测结果包括预测长宽比r′和预测倾斜角度θ′；所述Transformer自监督识别网络层包括Transformer网络和全连接层，所述Transformer网络只包括编码器结构，所述编码器中包括多个重复模块，每个模块中包含一个多头注意力模块和一个全连接模块；所述舰船目标高层特征输入所述Transformer自监督识别网络层包括两条分支：

长宽比预测分支：所述用于长宽比预测的随机变量A通过所述Transformer网络输出后，依次连接两个全连接层；输出所述预测长宽比；

角度预测分支：所述用于倾斜角度预测的随机变量B通过所述Transformer网络输出后，连接一个节点数为360的全连接层，并采用Softmax作为激活函数；输出对舰船目标360个角度概率分布的预测，进而获取所述预测倾斜角度；

所述舰船目标高层特征，是指将卷积神经网络提取的三维高层特征按照空间维展开，得到w×w个维度为d的向量，所述w×w个向量分别代表所述样本图像不同区域的特征表示，并将高层特征以全局平均池化的方式得到一个总的特征表示向量，对得到w×w+1个特征向量分别连接一个神经元数为d/2的全连接层，得到w×w+1个维度为d/2的特征向量，依次输入到所述Transformer自监督识别网络层中；

所述随机变量A和所述随机变量B为随机初始化的两个维度为d的向量，这两个向量分别作为对舰船目标长宽比和角度预测的初始向量，同所述w×w+1个维度为d/2的特征向量一同作为输入向量输入到Transformer自监督识别网络中；

步骤5：通过以所述长宽比r和倾斜角度θ构造的损失函数作为约束，对所述预训练舰船目标识别网络模型进行训练，得到训练好的舰船目标识别网络模型；

步骤6：采用训练好的舰船目标识别网络模型读取待识别的舰船目标图像，输出舰船识别结果。

2.根据权利要求1所述的舰船目标识别方法，其特征在于，所述损失函数为L1损失函数和交叉熵损失函数；

所述L1损失函数为

所述交叉熵损失函数为

其中，和的分别表示两个网络分支的输出，q(θⁱ)为真实的舰船角度的概率分布。

3.根据权利要求1所述的舰船目标识别方法，其特征在于，所述卷积神经网络为VGG、ResNet、SeNet、ShuffleNet和GoogleNet中任意一种。